Transformer Decoder：Masked Self-Attention、Cross-Attention 与自回归生成
本文围绕“Transformer Decoder：Masked Self-Attention、Cross-Attention 与自回归生成”对课程 ASR 进行高密度论文式重构，并围绕 Transformer Decoder、causal mask、cross-attention、autoregressive decoding、softmax 检索英文原论文、官方研究页面和高校课程资料。文章不保留课堂逐句口述，而以问题背景、技术难点、形
摘要
本文围绕“Transformer Decoder：Masked Self-Attention、Cross-Attention 与自回归生成”对课程 ASR 进行高密度论文式重构，并围绕 Transformer Decoder、causal mask、cross-attention、autoregressive decoding、softmax 检索英文原论文、官方研究页面和高校课程资料。文章不保留课堂逐句口述，而以问题背景、技术难点、形式化定义、核心机制、理论或实验依据、局限与后续发展重新组织知识，并对可确认的 ASR 误识别和概念边界进行校正。
**关键词：**Transformer Decoder；causal mask；cross-attention；autoregressive decoding；softmax
1. 研究背景
Transformer 用 attention 代替 RNN 的逐时间递归，在训练阶段可以并行处理序列位置，并允许任意两个 token 在单层中直接建立依赖。
完整架构并非只有 Attention：位置表示、Multi-Head 投影、Residual、Normalization、FFN、因果掩码与 Encoder–Decoder 接口共同决定模型如何表示和生成序列。
本讲进一步聚焦Transformer Decoder：Masked Self-Attention、Cross-Attention 与自回归生成。正式分析首先需要明确该方法试图压缩哪一种计算复杂度、拟合哪一种统计规律或改进哪一类表示，再讨论公式和实现。只有把技术目标与评价标准绑定，才能避免把课堂示意性操作误写成普遍结论。
图 1 技术主线。 将本讲知识重构为“问题表示—核心计算—评价/决策”的依赖关系。依据课程 ASR 确认的主题和本章权威资料重新绘制。
2. 核心难点
该主题的难度不仅来自公式本身，还来自模型假设、数据/状态规模和工程资源的共同约束。结合本讲内容与一手资料，可将主要问题归纳为以下四类。
难点 1
Self-Attention 本身不包含序列顺序，需要显式位置或关系信息。
难点 2
标准全注意力在序列长度上具有二次 score matrix 成本。
难点 3
Multi-Head、Residual、Normalization、FFN 和 masking 共同构成完整架构，不能只用 attention 一项概括。
难点 4
训练阶段高度并行，但自回归解码仍存在严格逐 token 依赖。
3. 主要工作与技术路线
课程原有知识可压缩为一条完整方法链路。与课堂按幻灯片顺序逐项说明不同，本文按可复现算法过程重排如下：
- embedding 并注入位置：围绕 Transformer Decoder 建立可验证的输入、计算与评价关系。
- 线性投影得到 Q/K/V：围绕 causal mask 建立可验证的输入、计算与评价关系。
- attention 聚合上下文：围绕 cross-attention 建立可验证的输入、计算与评价关系。
- Residual + Norm + FFN 深层变换：围绕 autoregressive decoding 建立可验证的输入、计算与评价关系。
- 按 Encoder/Decoder 结构完成理解或生成：围绕 softmax 建立可验证的输入、计算与评价关系。
这些步骤共同回答三个问题：候选对象如何表示；核心计算如何改变或评价它；最终结果在什么条件下可以被视为有效。后续章节的公式、图表和实验均围绕这条链路展开。
4. 概念与形式化
因果掩码
掩码确保位置 不能访问未来 token，从而保持自回归因果性。
| 核心对象 | 正式技术含义 | 关联形式化 |
|---|---|---|
| Transformer Decoder | Transformer Decoder 使用 causal masked self-attention 防止访问未来输出，并在 encoder–decoder 架构中增加 cross-attention 读取源序列。GPT 类 decoder-only 模型则去掉独立 Encoder/cross-attention，仅保留因果 self-attention。 | 因果掩码 |
| causal mask | Causal Mask 将未来位置 attention logits 设为 -∞，使位置 t 的输出只能依赖 ≤t 的 token。 | 因果掩码 |
| cross-attention | Cross-Attention 的 Query 来自 Decoder，而 Key/Value 来自 Encoder 输出，使目标生成动态读取源序列。 | 因果掩码 |
| autoregressive decoding | Autoregressive Decoding 每次根据已有输出预测下一个 token，再把它追加到上下文继续生成，因此推理存在严格的 token 级串行依赖。 | 因果掩码 |
| softmax | Softmax 把 logits 转成正数且和为 1 的分类分布。它保持排序但会受温度与 logit 尺度影响，概率值也不自动保证 calibration。 | 因果掩码 |
图 2 核心对象之间的功能关系。 图示说明表示、计算机制与评价之间的依赖，不复刻课程 PPT。
5. 核心技术机制
1. Transformer Decoder
Transformer Decoder 使用 causal masked self-attention 防止访问未来输出，并在 encoder–decoder 架构中增加 cross-attention 读取源序列。GPT 类 decoder-only 模型则去掉独立 Encoder/cross-attention，仅保留因果 self-attention。
2. causal mask
Causal Mask 将未来位置 attention logits 设为 -∞，使位置 t 的输出只能依赖 ≤t 的 token。
3. cross-attention
Cross-Attention 的 Query 来自 Decoder，而 Key/Value 来自 Encoder 输出，使目标生成动态读取源序列。
4. autoregressive decoding
Autoregressive Decoding 每次根据已有输出预测下一个 token，再把它追加到上下文继续生成，因此推理存在严格的 token 级串行依赖。
5. softmax
Softmax 把 logits 转成正数且和为 1 的分类分布。它保持排序但会受温度与 logit 尺度影响，概率值也不自动保证 calibration。
方法流程
将核心概念放回执行过程后，可以得到下表。正式算法描述必须同时给出状态更新、评价标准与终止条件，而不能只记录操作顺序。
| 阶段 | 处理步骤 | 主要技术对象 |
|---|---|---|
| 1 | embedding 并注入位置 | Transformer Decoder |
| 2 | 线性投影得到 Q/K/V | causal mask |
| 3 | attention 聚合上下文 | cross-attention |
| 4 | Residual + Norm + FFN 深层变换 | autoregressive decoding |
| 5 | 按 Encoder/Decoder 结构完成理解或生成 | softmax |
相关对象的功能比较
| 对象 | 定义 | 使用边界 |
|---|---|---|
| Transformer Decoder | Transformer Decoder 使用 causal masked self-attention 防止访问未来输出，并在 encoder–decoder 架构中增加 cross-attention 读取源序列。GPT 类 decoder-only 模型则去掉独立 Encoder/cross-attention，仅保留因果 self-attention。 | 主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。 |
| causal mask | Causal Mask 将未来位置 attention logits 设为 -∞，使位置 t 的输出只能依赖 ≤t 的 token。 | 主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。 |
| cross-attention | Cross-Attention 的 Query 来自 Decoder，而 Key/Value 来自 Encoder 输出，使目标生成动态读取源序列。 | 主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。 |
| autoregressive decoding | Autoregressive Decoding 每次根据已有输出预测下一个 token，再把它追加到上下文继续生成，因此推理存在严格的 token 级串行依赖。 | 主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。 |
| softmax | Softmax 把 logits 转成正数且和为 1 的分类分布。它保持排序但会受温度与 logit 尺度影响，概率值也不自动保证 calibration。 | 主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。 |
6. 性质、实验与证据
训练与推理的边界
模型结构定义的是可计算函数，训练算法决定参数如何从数据中估计，推理过程则在固定参数下执行预测或生成。把三者分开可以避免把训练技巧误写成网络结构，也避免把推理阶段行为反向解释成训练目标。
复杂度与工程约束
理论公式通常忽略内存带宽、并行度、batching 和数值精度。实际系统需要同时考虑参数量、激活占用、序列长度和硬件吞吐；因此“准确率更高”的组件未必适合所有在线位置，AlphaGo 的快速 rollout 与大型语言模型中的 KV cache 都体现了类似工程折衷。
对于具有明确理论条件的算法，本节优先说明正确性、最优性、收敛性或复杂度的前提；对于以实验建立有效性的学习模型，则区分训练指标、验证指标、消融实验和最终任务结果。任何数值都应绑定数据集、模型版本、硬件或搜索预算，不能脱离实验条件泛化。
7. 课程主线与事实核查
课程知识主线。 根据原 ASR，可以确认本讲的教学主线集中在 Transformer Decoder、causal mask、cross-attention、autoregressive decoding、softmax 及其相互关系。课程中的逐图指点、重复设问、口头自我修正和非技术性铺垫均已删除；保留下来的知识被重排为“问题定义—形式化—算法/模型机制—评价—边界”的书面结构。
外部扩充边界。 外部检索材料只用于补充标准定义、原始论文结果、算法成立条件和后续技术发展；它们不会被反向写成讲师原本展示过的 PPT 参数。对纯 ASR 无法唯一恢复的图中数字、箭头和公式局部符号，正文只保留能够由上下文与权威资料共同确认的技术关系。
8. 局限与实践边界
任何课程级算法都存在适用条件。工程使用时必须重新检查数据或状态分布、目标函数、计算预算和评价协议，而不是机械复制示例超参数。随机方法应报告随机种子、重复试验与预算；学习模型应严格区分训练、验证和测试；搜索算法应明确最优性前提、重复状态处理和资源上限。
本讲涉及的核心对象之间通常存在明确折衷：更强的表示或估值可能增加计算成本，更激进的剪枝或近似可能损失保证，更复杂的模型可能需要更多数据和正则化。正式结论因此应表述为“在给定假设和评价条件下有效”，而不是无条件优于其他方法。
9. 展望
Transformer 已成为语言、视觉、语音和多模态模型的通用骨架。后续改进主要围绕位置表示、长序列复杂度、归一化稳定性、稀疏注意力、KV cache 与并行训练/推理展开。
后续技术是否构成真正改进，应使用与当前方法可比的基准、预算和评价协议验证。对于快速演进的软件或模型版本，正文只把稳定原理写入主结论，把易变化的工程参数视为版本性信息。
10. 结论
“Transformer Decoder：Masked Self-Attention、Cross-Attention 与自回归生成”应被理解为由Transformer Decoder、causal mask、cross-attention、autoregressive decoding、softmax共同构成的完整技术问题，而不是若干课堂操作的顺序记录。论文式说明必须同时回答方法解决什么问题、基于何种假设、如何计算、怎样评价以及在哪些条件下可能失效。经过 ASR 主线提取、英文一手资料检索和事实核查后，本章将原有口语课程转换为可独立阅读、可追溯来源且信息密度更高的正式技术文本。
参考文献与核查来源
- Vaswani et al. (2017). Attention Is All You Need. source.
- Shaw, Uszkoreit, Vaswani (2018). Self-Attention with Relative Position Representations. source.
- Stanford CS224N. Natural Language Processing with Deep Learning — course materials. source.
生成流程：ASR 知识主线提取 → 论文式重构 → 英文一手资料检索与交叉核验 → 技术扩充 → SVG/表格/MathJax 排版。正文采用 UTF-8。MathJax 通过 CDN 加载；无网络时 LaTeX 源码仍保留，但完整数学排版需要可访问 MathJax。